TECNICAS APLICADAS A SISTEMAS EXPERTOS€¦ · TECNICAS APLICADAS A SISTEMAS EXPERTOS 2.1 REPRESENTACIÓN DEL CONOCIMIENTO Representar el conocimiento en un ordenador, consiste en

Sistema experto de diagnostico medico del Síndrome de Guillian Barre.Carlos Soto, Marlene

Derechos reservados conforme a Ley

Elaboración y diseño en formato PDF por la Oficina General del Sistema de Bibliotecas y Biblioteca Central de la UNMSM

CAPITULO II:

TECNICAS APLICADAS A SISTEMAS EXPERTOS

2.1 REPRESENTACIÓN DEL CONOCIMIENTO

Representar el conocimiento en un ordenador, consiste en encontrar una

correspondencia entre el mundo exterior (forma externa) y un sistema simbólico (forma

interna o física) que permita el razonamiento.

El experto del dominio encargado de transmitir su conocimiento al Sistema

Experto, suministra este último en su forma externa. El mecanismo de adquisición del

conocimiento transforma este fragmento del conocimiento a la forma interna, es decir, en

forma de estructura de datos (tabla, lista, matriz...), antes de incluirlo en la base de

conocimientos.

El Sistema Experto utiliza la forma lógica, que en general está definida en

términos de índices o claves simbólicas, para poder acceder a la estructura de datos y

restituye la forma externa para cualquier diálogo con el usuario.

Lo mismo que no existe ningún lenguaje de programación universal, tampoco se

ha encontrado, aún, un formalismo ideal para poder representar el conocimiento de un SE.

Existen dos clases de conocimiento a tratar:

• Conocimiento factual, es aquel que por naturaleza es preciso y libre de "ruido". Se

caracteriza también por ser objetivo y fácil de representar.




• Conocimiento heurístico, es el conocimiento que usamos intuitivamente pero en

forma consciente. NO es preciso ya que generalmente es subjetivo y es difícil de

representar.

Existen varias maneras de representar el conocimiento, agrupándose en tres tipos

de representación básicas:

t La representación procedimental (autómatas finitos, programas) que expresan

explícitamente las interrelaciones entre fragmentos de conocimiento pero que son

difícilmente modificables.

Ventajas: Facilidad de utilización del Meta-conocimiento, lo que permite

descomponer, explícitamente, el problema. Al no existir el declarativo puro, es

indispensable en los niveles más bajos.

t La representación declarativa (cálculo de predicados, reglas de producción, redes

semánticas) que crean fragmentos de conocimiento independientes unos de otros y

que, por consiguiente, son fácilmente modificables. Estos conocimientos se

combinan, después, mediante un mecanismo general de razonamiento y deducción.

Ventajas: Legibilidad, economía, flexibilidad y factibilidad de modificación

t La representación mixta (objetos estructurados: esquemas, marcos, grafismos,

objetos...) que emplea los dos modos de representación precedentes.

El primer modo de representación es la más usada para implementar Sistemas

Expertos, por lo que en este trabajo sólo mencionaremos las otras dos. Es decir veremos

sólo las siguientes formas de representación del conocimiento:

• Calculo de Predicados

• Reglas de producción

• Redes semánticas y.

• Objetos estructurados




2.1.1 CALCULO DE PREDICADOS

En lógica de proposiciones, una acción (o un estado) se modeliza mediante una

proposición, o enunciado declarativo.

Ejemplo: Sócrates es mortal

El lenguaje de las proposiciones se compone de un conjunto de fórmulas bien

conformadas que están constituidas por aserciones y conectores lógicos. Este lenguaje

posee varios inconvenientes:

• Dos aserciones relacionadas pueden ser expresadas más que separadamente, sin poder

extraerse conclusiones de las similitudes entre ellas.

• Una generalización se expresa únicamente mediante una lista exhaustiva de sus

elementos. Por ejemplo, expresar el hecho de que todos los hombres son mortales

exigiría la lista exhaustiva de todos los hombres existentes y la afirmación de su

mortalidad.

El cálculo de predicados proporciona un medio natural de representar el

conocimiento de forma declarativa. Una base de conocimientos es un conjunto de

WFF(Well Formed Formulas) y de reglas semánticas que las relacionan en el dominio de

aplicación.

Se pueden deducir nuevos conocimientos a partir de los antiguos mediante

procedimientos de prueba automática de teoremas, fundados en el principio de resolución

de ROBINSON.

Muchos problemas de naturaleza claramente deductiva, como los juegos de lógica,

se expresan muy bien en este tipo de representación. Por el contrario, la mayor parte de

los problemas de la vida real que tienen que resolver los seres humanos son de naturaleza

inductiva (por ejemplo, el diagnóstico).

Es la razón por la que se han desarrollado otro tipo de formalismos, concretamente

las reglas de producción, con el fin de tener en cuenta aspectos inherentes al razonamiento

humano.




2.1.2 REGLAS DE PRODUCCIÓN

"El principio básico de la programación con reglas de producción es que cada

regla es un trozo independiente del conocimiento (se denomina: gránulo o módulo), es

decir contiene todas las condiciones para su aplicación" [Siemens, 1988]. Una regla puede

traducir una relación, una información semántica o una acción condicional.

En consecuencia, es únicamente la comparación entre las condiciones activadas de

una regla y los hechos existentes lo que permite "filtrar" aquellas para retener sólo las que

son aplicables.

En un programa informático convencional, los módulos son realmente

procedimientos que tienen un nombre que les permite llamarse mutuamente. El problema

reside en el hecho de que en caso de añadir o suprimir procedimientos es necesario

modificar todas las llamadas a los mismos.

Por el contrario, con las reglas de producción, cada regla está, en principio,

redactada ignorando la existencia de las demás y por consiguiente no se activan por su

nombre, sino por sus condiciones de aplicabilidad (filtro). Ello permite añadir o suprimir

reglas sin preocuparse de las repercusiones de estas modificaciones.

Una regla de producción tiene, generalmente, la siguiente forma:

SI Premisa ENTONCES consecuente

La parte izquierda expresa las condiciones de aplicabilidad de la regla. Puede

contener una conjunción de proposiciones lógicas, de predicados o de relaciones.

La parte derecha representa la conclusión, la cual puede ser una acción a efectuar

o una aserción a añadir a la base de hechos.

Ejemplo:

SI el coche no arranca y los faros no alumbran




ENTONCES existe una evidencia fuertemente sugestiva que la batería sea la

causa.

Los sistemas que se redactan con reglas de producción reciben el nombre de

Sistemas de producción

Figura 9 : Arquitectura de Sistema de Producción

El componente más importante de un sistema de producción es el mecanismo de

inferencia. Con él se gobierna el procesamiento y la elección de las reglas de producción.

Un buen mecanismo de inferencia destacará por sus eficientes métodos y estrategias de

solución de conflictos para la elección de una regla a partir de una serie de posibles reglas.

Este método de representación es el utilizado en la mayoría de los SE, ya que posee

determinadas ventajas derivadas de su estructura.

• Facilidad de modificación, consecuencia de la modularidad del conocimiento

• Cuanto más reglas posea el sistema, más potente será (al menos, teóricamente)

• Gran legibilidad de las reglas y, además, facilidad de escritura de las mismas.

• Posibilidad de introducir coeficientes de verosimilitud que permiten ponderar el

conocimiento.

Mecanismo de Inferencia

Reconocimiento Acción Conjunto de Conflicto de Evalúa las reglas elegidas Reglas posibles




Pero, el principal problema reside en la posibilidad de perder coherencia lógica en

la base de conocimientos, debido al gran número de reglas y a la dificultad de verificación

manual de dicha coherencia.

Esta es la razón por la que los SE sofisticados que utilizan reglas de producción,

proponen, frecuentemente, la inclusión de un módulo de gestión de coherencia de las

reglas.

2.1.3 REDES SEMÁNTICAS

Este formalismo, permite la representación del conocimiento en forma de grafo.

- Los nodos representan conceptos (objetos o sucesos)

- Los arcos significan relaciones entre estos conceptos

Así puede tomarse un arco con sus dos nodos como una sola unidad de

conocimiento.

Esta estructura jerárquica permite a los nodos de niveles inferiores heredar

propiedades de los nodos de niveles superiores.

Una red semántica se puede expresar con cualquier frase y por consiguiente han

realizado aplicaciones importantes utilizando el lenguaje natural.

Sin embargo, todas estas representaciones no son operativas hasta que existe un

procedimiento que las manipula. Estos procedimientos funcionan como un algoritmo de

unificación, es decir, intentan reemplazar las variables por constantes, comparando la

pregunta y el conjunto de aserciones.

Frecuentemente, la respuesta a una cuestión no es inmediata y necesita un

encaminamiento en la red, formas de utilizar las relaciones o atributos que caracterizan a

las entidades implicadas.




Uno de los inconvenientes de esta representación es la explosión combinatoria en

la búsqueda de informaciones cuando el número de nodos y arcos es muy grande.

Existe, pues, un compromiso entre la complejidad de la estructura de los datos y la

complejidad de su interpretación.

Las redes semánticas se han utilizado para construir algunos SE, PROSPECTOR

que trabaja en el dominio de la geología mineral, es uno de los sistemas que más las

emplean y con muy buenos resultados.

Sin embargo, los estudios sobre este formalismo han demostrado su desventaja en

refinamientos, coherencia de representación de conceptos e implicaciones filosóficas más

que sobre sus aplicaciones prácticas.

La estructuración de las redes semánticas ha conducido progresivamente a

representaciones híbridas entre reglas de producción y objetos estructurados.

2.1.4 OBJETOS ESTRUCTURADOS

Los diferentes formalismos de representación del conocimiento que acabamos de

ver destacan el aspecto declarativo del conocimiento, así como su naturaleza inferencial

(lógica de producción).

Sin embargo, los conocimientos que no son inferenciales (por ejemplo: variantes

sobre un prototipo) son difícilmente representables.

La representación mediante objetos estructurados es una tentativa de representar,

de forma mejor que mediante inferencias, algunas formas de conocimiento.

El término de objeto estructurado engloba diversas denominaciones, tales como:

• Frames (Marcos), noción introducida por Minsky

• Esquemas, en trabajos sobre la memoria




• Grafismos, que describen el encadenamiento esteretipado de sucesos.

• Prototipos, o unidades en KRL

• Objetos, en Smaltalk, Flavors, Mering, Loops

• Formas y clases, en Simula

• Tipos Abstractos

Esta representación se puede considerar como una extensión de las redes

semánticas. Extensión que incorpora conocimientos procedimentales e introducen un rigor

conceptual ausente en aquella representación

Un objeto contiene cierto número de atributos (o slots) que son los nombres de las

propiedades que le caracterizan. Por ejemplo, se puede hablar de “Color”, “Material”,

“Número de patas” para el objeto “Silla”. Estos atributos contienen características

estándares (precio, intervalos de validez, taras,…)

De otro lado, un objeto forma parte de una jerarquía y por consiguiente de objetos

más generales que él, a los que está unido mediante punteros (Clase de).

En resumen, un objeto estructurado contiene atributos con determinadas

características, un atributo especial que apunta hacia otros objetos y procedimientos a él

asociados.

Cada objeto se puede considerar como “ï deal” y servir de base de comparación

para analizar otros objetos.

No se conoce hasta el momento actual, SE que utilicen únicamente objetos

estructurados. En general, los lenguajes orientados a los objetos sirven para representar los

conocimientos estáticos, descriptivos y las reglas de producción para efectuar inferencias.

Sin embargo, los lenguajes orientados a los objetos se han ido extendiendo cada

vez más en informática gracias a su modularidad y a su facilidad de lectura.




En IA, se investiga actualmente en la integración de este de representación con

lógica de primer orden, así como en la implementación de motores de inferencia con la

ayuda de lenguajes orientados a los objetos.

En la construcción de los sistemas expertos el modelo mas usado es el de las reglas

de producción por su versatilidad. Sin embargo recientemente los modelos híbridos, osea

la combinación de algunos de los modelos, han tenido mucho éxito en su aplicación,

especialmente para la representación del conocimiento heurístico.

2.2 METODOS DE RESOLUCIÓN DE PROBLEMAS

2.2.1 REGLAS Y ENCADENAMIENTOS

Para las reglas de producción se utilizan los mecanismos de inferencia. Estos

mecanismos de inferencia evalúan las reglas y el conocimiento en hechos.

Existen dos formas básicas de evaluación de las reglas:

• Encadenamiento hacia adelante

• Encadenamiento hacia atrás

El encadenamiento hacia adelante se define también como inferencia controlada por los

datos o como método “if–added”, el encadenamiento hacia atrás se conoce también como

inferencia controlada por el objetivo o como método “if-needed”.

2.2.1.1 ENCADENAMIENTO HACIA ADELANTE

El motor de inferencia parte de los hechos para llegar a los resultados, es decir,

no selecciona más que reglas que verifiquen las condiciones de la parte izquierda (fase

de detección-filtrado)




Se aplica, entonces, la fase de elección (resolución de conflictos) sobre este

conjunto de reglas, para determinar la regla a utilizar posteriormente.

La aplicación de esta regla entraña en general una actualización de la base de

hechos (fase de ejecución)

Este proceso se repite hasta que no existen más reglas aplicables o se haya

alcanzado el objetivo.

La eficacia del motor de inferencia reside en la pertinencia de la decisión tomada

(regla elegida) durante la fase de elección.

La regla elegida condiciona la rapidez con la que el sistema llegará a la solución,

lo cual determinará la eficacia del motor de inferencia

Sin embargo, esta forma de razonamiento posee diversos inconvenientes:

• El sistema activa todas las reglas aplicables incluso aunque algunas no ofrezcan

ningún interés

• La base de hechos debe contener el suficiente número de hechos iniciales para que

el sistema pueda llegar a una solución.

• Los usuarios deben, pues, suministrar al SE todas las informaciones que poseen,

incluso aunque algunas sean inútiles.

• En caso de rechazo, un solo hecho podría permitir llegar al objetivo, pero el usuario

no está informado, puesto que el proceso no es interactivo.

• Este método corre el riesgo de caer en la explosión combinatoria si el número de

reglas y de hechos es importante, y sobre todo si el objetivo a alcanzar no es

conocido, pues es necesario, entonces, aplicar todas las reglas aplicables para

deducir todo lo que se puede deducir. Tanto más cuanto muchos motores de

inferencia que razonan con encadenamiento hacia delante trabajan con búsqueda en

amplitud (aplicación de todas las reglas aplicables en un momento dado).




2.2.1.2 ENCADENAMIENTO HACIA ATRAS

El sistema parte del objetivo (o de una hipótesis de objetivo) y trata de volver a

los hechos para demostrarlos.

Las reglas seleccionadas son las de la parte derecha (consecuente, que

corresponden al objetivo investigado).

Las condiciones desconocidas (parte izquierda de las reglas) subsisten mientras

que existan subobjetivos que demostrar.

Este proceso se repite hasta que todos los subobjetivos se hayan demostrado, o

se alcance el objetivo final o hasta que no exista la posibilidad de seleccionar más reglas

En este caso, el sistema puede solicitar del usuario la resolución de uno o varios

subobjetivos (cuestiones, test) y el proceso comienza de nuevo.

El rechazo ocurre cuando el sistema no puede seleccionar reglas, ni plantear

cuestiones al usuario (reglas insuficientes o incoherentes o cuando el usuario no puede

responder a las preguntas del SE).

La estrategia empleada es muy simple, puesto que consiste en utilizar la primera

regla aplicable, en su orden de numeración, para intentar, a continuación, verificar uno

tras otro los subobjetivos producidos (exploración con búsqueda en profundidad)

La exploración puede detenerse:

• Cuando el objetivo inicial se demuestra

• Cuando se han explorado sin éxito todas las posibilidades

El sistema puede, entonces, consultar al usuario sobre los subobjetivos no

resueltos.




El razonamiento hacia atrás tiene algunas ventajas:

• El sistema plantea cuestiones únicamente cuando es necesario y después de haber

explorado todas las posibilidades

• El árbol de búsqueda es, normalmente, más pequeño que en el caso de

encadenamiento hacia delante.

• El proceso es interactivo

Uno de los riesgos del encadenamiento hacia atrás es el de meterse en un bucle:

para demostrar A hay que demostrar B, para demostrar B hay que demostrar A… Lo

que ciertos motores de inferencia tienen en cuenta (Mycin, por ejemplo).

Hay un tercer tipo de encadenamiento denominado encadenamiento mixto, en

donde el motor de inferencia puede igualmente utilizar alternativamente los

encadenamientos hacia adelante y hacia atrás y examinar en cada ciclo si estos dos

razonamientos confluyen. Esto permite realizar la mitad del camino y pararse en el

medio o punto de conjunción.

En la práctica, este tipo de razonamiento varía de un motor de inferencia a otro y

no existe aún una idea claramente definida y admitida por todos. Por el contrario, el

objetivo de este encadenamiento es tratar de paliar los inconvenientes de los dos

precedentes manteniendo sus ventajas. Sin embargo, su implantación parecer tener

algunas dificultades.

2.2.2 REDES Y BÚSQUEDA

En este caso mencionaremos algunos métodos de búsqueda aplicados a las redes

(grafos y árboles) dentro del Área de la Inteligencia Artificial.

La familia de procedimientos de búsquedas es bastante amplio, sin embargo a

continuación se verá parte de esta familia de procedimientos gráficamente –en forma de

árbol- la asociación de estas búsquedas.




Figura 10 : Familia de Procedimientos de Búsqueda

Como se ha visto en este gráfico los procedimientos de búsquedas aplicados para

redes se dividen en procedimientos básicos y procedimientos óptimos, y a su vez estos

se subdividen.

2.2.2.1 BUSQUEDA BASICA

PROCEDIMIENTOS CIEGOS

Los algoritmos de los procedimientos de profundidad, amplitud y no determinístico

consiste en ir registrando en una lista los estados a los que se va llegando en la búsqueda,

PROCEDIMIENTOS DE BÚSQUEDA ÓPTIMA

PROCEDIMIENTOS DE BÚSQUEDA BÁSICA

Procedimientos ciegos

Procedimientos Informados

heurísticamente

Búsqueda en profundidad

Búsqueda en amplitud

Búsqueda no determinista

Ascenso de la colina

Búsqueda en haz

Búsqueda el primero el mejor

Búsqueda de ramificación y

cota

Procedimiento del Museo Británico

PROCEDIMIENTOS DE BÚSQUEDA

Procedimiento A*




se termina el algoritmo cuando se obtiene el estado meta o la lista queda vacía, si se ha

obtenido el estado meta la solución será la lista (los estados que en ella se encuentran), si la

lista está vacía quiere decir que la búsqueda fue un fracaso ya que no halló la solución.

Se les denomina métodos ciegos porque siempre se evaluará el primer estado que

se encuentra en la lista, sin saber si este es el mejor o peor.

• La búsqueda en profundidad es buena siempre y cuando las trayectorias parciales

improductivas no sean muy largas, ésta búsqueda se introduce en el árbol de

búsqueda extendiendo una trayectoria parcial a la vez.

• La búsqueda en amplitud es buena siempre y cuando el factor de ramificación no

sea muy grande, se propaga uniformemente en el árbol de búsqueda, extendiendo

muchas trayectorias parciales en paralelo.

• La búsqueda no determinista es eficaz cuando no se tiene la certeza de cual

búsqueda, en profundidad o en amplitud, puede ser la mejor. Se mueve al azar en el

árbol de búsqueda; toma una trayectoria parcial y la extiende al azar.

PROCEDIMIENTOS INFORMADOS HEURÍSTICAMENTE

Estos métodos usan una información adicional para establecer un criterio de

selección del nodo o estado a procesar. Este conocimiento podría no ser correcto, sin

embargo es una herramienta de gran valor en la búsqueda. A este conocimiento que no

tiene garantía de ser correcto se le llama conocimiento heurístico. A una búsqueda

utilizando conocimiento heurístico se le llama heurística.

El objetivo (n) es una función lógica que es cierta cuando n es el nodo objetivo y

falsa en todos los demás casos.

El valor inferido del coste desde un nodo n del gráfico, que corresponde a un

estado dado, hasta el objetivo se denomina la función objetivo o función de mérito f(n).




Búsqueda Ascensión a la Colina

El procedimiento es semejante a la búsqueda en profundidad con la diferencia que

los nodos sucesores son ordenados según el valor de la función mérito antes de adicionarse

a la lista. Esto es, el nodo a ser procesado corresponde al “mejor” nodo sucesor según la

función de mérito.

Este método es eficaz cuando se tiene una medida natural de la distancia de cada

lugar a la meta, y existe la posibilidad de que una buena trayectoria se encuentre entre las

trayectorias parciales que parecen ser buenas en cada punto alternativo.

Búsqueda en haz

Esta búsqueda es parecida a la búsqueda en amplitud en cuanto a que avanza nivel

por nivel. Sin embargo, a diferencia de ésta, la búsqueda en haz se mueve hacia abajo sólo

a través de los mejores (w) nodos de cada nivel; los otros nodos se ignoran. En

consecuencia, el número de nodos explorados se mantiene manejable, aun cuando haya

gran cantidad de ramificaciones y la búsqueda sea profunda. Siempre que se usa la

búsqueda en haz, sólo existen (w) nodos en consideración a cualquier profundidad, y no el

inmenso número exponencial de nodos con los que tiene que tratar siempre que utiliza la

búsqueda en amplitud.

La búsqueda en haz es buena cuando se tiene una medida natural de la distancia a

la meta, y es probable que una buena trayectoria se encuentre entre las trayectorias

parciales que parecen ser buenas en todos los niveles. La búsqueda en haz extiende un

número fijo de trayectorias parciales en paralelo y elimina el resto.

Búsqueda Primero el Mejor

En este método el criterio de selección es dado por el nodo en la lista que

presenta “mejor” (mayor o menor) valor de la función de mérito. Gráficamente el

algoritmo funciona como sigue (considere mejor siendo menor)




Es probable que las trayectorias encontradas por la búsqueda primero el mejor

sean más cortas que las halladas con otros métodos, ya que la búsqueda primero el

mejor siempre avanza desde el nodo que parece estar más cercano al nodo meta. Tenga

presente, sin embargo, que es probable no es lo mismo que con certeza.

Para poder realizar la búsqueda en primer lugar del mejor lo más eficientemente

posible, se debe realizar la inferencia del coste del objetivo de la manera más exacta

posible. Es decir, debe realizarse una inferencia que esté lo más cerca posible del coste

verdadero utilizando conocimiento sobre el problema.

Este método puede mejorar si se utiliza acotación para evitar generar los hijos con

costes mayores al valor buscado.

Estos procedimientos al igual que los métodos ciegos son adecuados para resolver

problemas de localización. Evidentemente los métodos que usan información adicional son

más robustos. Entre tanto estos métodos no son eficientes para resolver problemas del tipo

de optimización.

2.2.2.2 BUSQUEDA OPTIMA

PROCEDIMIENTO DEL MUSEO BRITÁNICO

Un procedimiento para encontrar la trayectoria más corta en una red consisten en

encontrar todas las trayectorias posibles y seleccionar la mejor de ellas. Este laborioso

procedimiento se conoce, como procedimiento del Museo Británico.

Si se desea encontrar todas las trayectorias posibles, tanto la búsqueda en amplitud

como la búsqueda en profundidad funcionando con una modificación: la búsqueda

continúa hasta que se hallen todas las soluciones. Si la amplitud y la profundidad del árbol

son pequeñas, no hay problema. Por desgracia, el tamaño de los árboles de búsqueda

suelen ser grandes y cualquier procedimiento para hallar todas las trayectorias posibles se

vuelve en extremo fastidioso. Afortunadamente, existen estrategias que permiten encontrar

trayectorias óptimas sin tener que encontrar primero todas las trayectorias posibles.




BÚSQUEDA DE RAMIFICACIÓN Y COTA

El esquema de ramificación y cota siempre se mantiene al tanto de todas las

trayectorias parciales que compiten para su consideración posterior. La más corta de ellas

se extiende un nivel, creándose tantas trayectorias parciales nuevas como ramas existan.

En seguida, se consideran estas nuevas trayectorias junto con las anteriores restantes: de

nuevo, se extiende la más corta. Este proceso se repite hasta llegar a la meta a través de una

trayectoria. Dado que la trayectoria más corta es la que siempre se escoge para su

extensión, la trayectoria que primero encuentra la meta es probable que sea la óptima.

Para convertir lo probable en cierto, se tiene que extender todas las trayectorias

parciales hasta que tengan una longitud igual o mayor que la trayectoria completa más

corta. La razón es que el último paso para alcanzar la meta puede ser lo suficientemente

largo para hacer que la supuesta solución resulte más larga que una o más trayectorias

parciales. Puede ser que sólo un paso pequeño extienda una de las trayectorias parciales al

punto de solución. Para asegurarse de que esto no suceda, en lugar de terminar al encontrar

una trayectoria, termine cuando la trayectoria parcial más corta tenga una longitud mayor

que la trayectoria completa más corta.

Este método es el más eficiente de los métodos de búsqueda. Las variaciones

respecto a los métodos anteriores son el criterio de selección del nodo a procesar, esto es

del nodo a ramificar y la acotación de las ramas o sub árboles que presente peor solución.

La segunda variante hace que el método sea más robusto que los otros métodos de

búsqueda.

El criterio de selección del estado a procesar puede ser:

• Primero el mejor.

La secuencia de estados que presenta “mejor” (mayor o menor) valor para la función

de mérito entre las listas en COLA

• LIFO: ultimo nodo que ingreso en COLA.




La última secuencia de estados que ingreso en COLA.

• FIFO: primer nodo que ingreso en COLA.

La primera secuencia de estados que ingreso en COLA.

Otros procedimientos

Existen muchas formas de buscar trayectorias óptimas, cada una de las tiene sus

ventajas:

• El procedimiento del Museo Británico es bueno sólo cuando el árbol de busqueda es

pequeño.

• La búsqueda de ramificación y poda con conjetura es eficz cuando existe una buena

estimación de límite inferior de la distancia que resta hacia la meta.

• El procedimiento A* es eficaz cuando la búsqueda de ramificación y cota con

conjetura y la programación dinámica son buenas.

2.3 REDES NEURONALES

2.3.1 INTRODUCCION A REDES NEURONALES

La fascinación que la inteligencia como materia de estudio ha suscitado al

género humano, puede verse reflejada en la aparición de una rama íntegra del estudio

científico llamada " Inteligencia Artificial " a secas o también estudio de la inteligencia.

Una de las múltiples ramas por las cuales se ha desarrollado la investigación es

el desarrollo de las llamadas "redes neuronales". Una red neuronal es el intento de

poder realizar una simulación computacional del comportamiento de partes del cerebro

humano mediante la réplica en pequeña escala de los patrones que éste desempeña para

la formación de resultados a partir de los sucesos percibidos.

Concretamente, se trata de poder analizar y reproducir el mecanismo de

aprendizaje y reconociendo de sucesos que poseen los animales más evolucionados.




Una de las preguntas más interesantes que se plantean al hablar de este tema es

la habilidad del cerebro para poder reconocer patrones. Se denomina reconocimiento

de patrones a la capacidad de poder interpretar una imagen compleja (una foto, lo que

ve el ojo) y actuar en consecuencia. Las computadoras digitales fueron diseñadas a

partir de una lógica binaria (de 2 valores 0 - 1 o Verdadero - Falso), lo cual si bien

facilitó su construcción, ha tenido como efecto una gran dificultad para procesar y

reconocer imágenes, fotos, planos y dibujos.

BREVE HISTORIA

Los intentos por imitar el funcionamiento del cerebro han seguido la evolución

del estado de la tecnología. Por ejemplo, al finalizar el siglo 19 se le comparó con la

operación de la bomba hidráulica; durante la década de 1920 a 1930 se intento utilizar la

teoría de la conmutación telefónica como punto de partida de un sistema de

conocimiento similar al del cerebro. Entre 1940 y 1950 los científicos comenzaron a

pensar seriamente en las redes neuronales utilizando como concepto la noción de que

las neuronas del cerebro funcionan como interruptores digitales (on - off) de manera

también similar al recién desarrollado computador digital. Así nace la idea de

"revolución cibernética" que maneja la analogía entre el cerebro y el computador

digital.

En 1943 Walter Pitts junto a Bertran Russell y Warren McCulloch intentaron

explicar el funcionamiento del cerebro humano, por medio de una red de células

conectadas entre sí, para experimentar ejecutando operaciones lógicas. Partiendo del

menor suceso psíquico (estimado por ellos): el impulso todo/nada, generado por una

célula nerviosa.

El bucle "sentidos - cerebro - músculos", mediante la retroalimentación

producirían una reacción positiva si los músculos reducen la diferencia entre una

condición percibida por los sentidos y un estado físico impuesto por el cerebro.




También definieron la memoria como un conjunto de ondas que reverberan en

un circuito cerrado de neuronas.

Seis años después de que McCulloch y Pitts mostraran sus Redes Neuronales, el

fisiólogo Donald O. Hebb (de la McGill University) expuso que estas (las redes

neuronales) podían aprender. Su propuesta tenia que ver con la conductividad de la

sinápsis, es decir, con las conexiones entre neuronas. Hebb expuso que la repetida

activación de una neurona por otra a través de una sinápsis determinada, aumenta su

conductividad, y la hacia más propensa a ser activada sucesivamente, induciendo a la

formación de un circuito de neuronas estrechamente conectadas entre sí.

El extraordinario estudiante de Harvard, Marvin Minsky conoció al científico

Burrhus Frederic Skinner, con el que trabajó algún tiempo ayudándole en el diseño y

creación de máquinas para sus experimentos. Minsky se inspiró en Skinner para gestar

su primera idea "oficial" sobre inteligencia artificial, su Red Neuronal. Por aquel

entonces entabló amistad con otro brillante estudiante, Dean Edmonds, el cual estaba

interesado en el estudio de una nueva ciencia llamada Electrónica.

Durante el verano de 1951, Minsky y Edmonds montaron la primera máquina de

redes neuronales, compuesta básicamente de 300 tubos de vacío y un piloto automático

de un bombardero B-24. Llamaron a su creación "Sharc", se trataba nada menos que de

una red de 40 neuronas artificiales que imitaban el cerebro de una rata. Cada neurona

hacia el papel de una posición del laberinto y cuando se activaba daba a entender que la

"rata" sabia en que punto del laberinto estaba. Las neuronas que estaban conectadas

alrededor de la activada, hacían la función de alternativas que seguir por el cerebro, la

activación de la siguiente neurona, es decir, la elección entre "derecha" o "izquierda" en

este caso estaría dada por la fuerza de sus conexiones con la neurona activada. Por

ejemplo, la "rata" completaba bien el recorrido eligiendo a partir de la quinta neurona la

opción "izquierda" (que correspondería a la sexta), es entonces cuando las conexiones

entre la quinta y sexta se hacen más fuertes (dicha conexión era realizada por el piloto

automático), haciendo desde este momento más propensa esta decisión en un futuro.




Pero las técnicas Skinnerianas (que eran las que se habían puesto en funcionamiento en

esta red neuronal) no podrían llevar muy lejos a este nuevo engendro, la razón pasa

porque esto, en sí, no es inteligencia, pues la red neuronal nunca llegaría a trazar un

plan.

Después de su Red Neuronal, Minsky escribió su tesis doctoral acerca de esta, en

ella describía "cerebros mucho mayores", exponiendo que si se realizaba este proyecto a

gran escala, con miles o millones de neuronas más y con diferentes censores y tipos de

retroalimentación… la máquina podría ser capaz de razonar, mas el sabia que la

realización de esta Red Neuronal era imposible y decidió buscar otra forma de crear

inteligencia…

Las redes neuronales operan sobre la base de reconocimiento de patrones, y que

pueden adquirir, almacenar y utilizar conocimiento experimental, obtenido a partir de

ejemplos. Esta forma de adquirir el conocimiento es una de sus características más

destacables: no se programa de forma directa, como en los sistemas expertos, sino que

se adquiere a partir de ejemplos, por ajuste de parámetros de las neuronas mediante un

algoritmo de aprendizaje

[http://www.monografias.com/trabajos/redesneuro/redesneuro.shtml, Gustavo Luis

Pavía.]

2.3.2 LA NEURONA ARTIFICIAL EL CEREBRO COMO SISTEMA

Utilizando terminología propia de sistemas, podemos clasificar al cerebro

humano como un sistema, el cual mediante un proceso (pensamiento) logra convertir las

entradas (mayoritariamente sensoriales) en salidas (acción). Podemos observar

gráficamente este proceso en la figura 11.

Encontramos entonces que existen diversos estímulos al cerebro, los cuales

pueden ser llamados sumariamente "percepciones sensoriales". El ser humano es un




sistema que parte de estímulos sensoriales, los cuales utiliza como entradas (inputs) para

su proceso de pensamiento. La palabra percepción abarca no solo a las incitaciones que

el medio ambiente provoca en los cinco sentidos sino también a las elucubraciones que

la propia mente del sujeto pueda discernir.

Figura 11 : Proceso de pensamiento visto desde la perspectiva de la Teoría de

Sistemas del Cerebro Humano

El cerebro del sujeto es incentivado por la interrelacion simultánea de

percepciones, las cuales llevan a activar el proceso denominado pensamiento.

Este a su vez puede requerir vivencias almacenadas en la memoria del individuo,

que funciona en este enfoque como un archivo o base de datos que contiene datos

llamados en este contexto " Recuerdos ".

El proceso de pensamiento puede tener como subproducto la creación de datos a

ser guardados, los cuales se transformarán a su vez en nuevos recuerdos.

Por ende, se puede caracterizar al pensamiento como un proceso de consulta y

escritura de la base de datos " memoria ".




En base a estos procesos sobreviene el proceso de elaboración y planificación de

la acción a tomar como resultado del proceso intelectual.

Esta acción puede ser física o psíquica. En el primer caso, músculos

determinados del cuerpo son programados para moverse en un sentido definido.

Ejemplo: El aumento de la temperatura ambiente provoca en el individuo la

percepción de calor y este encamina sus acciones hacia la ingesta de liquido para no

deshidratarse.

En el segundo caso, una percepción puede llevar a la recuperación de un

recuerdo de la memoria (base de datos).

Ejemplo: La percepción de un aroma floral provoca el recuerdo de una

placentera experiencia pasada ocurrida en un campo lleno de flores.

El cerebro esta constituido por un vasto conjunto de células llamadas neuronas,

las cuales se intercomunican entre sí por medio de impulsos eléctricos, mediante las

llamadas conexiones sinápticas. Las neuronas forman, entonces, una red donde cada una

de ellas es un nodo, entrelazada mediante conexiones que transmiten señales eléctricas.

Una neurona puede recibir y transmitir señales eléctricas desde y hacia varias otras

neuronas.

Figura 12 : Red de Neuronas desde el punto de vista de Sistemas




El pensamiento entonces consiste físicamente en una serie de interacciones

eléctricas entre las neuronas, las cuales cumplen las siguientes funciones básicas:

t Recibir Señales: Cada neurona recibe uno o varios mensajes eléctricos emanados de

las neuronas adyacentes.

t Condicionar la descarga: La neurona actúa como una sistema distribuidor de tránsito

que toma la energía trasladada hasta ella mediante la acción descripta en a ) y decide

cuales de sus salidas activar y cuales no.

t Descargarse ( Emitir Respuesta ) y reforzar conexiones: La energía es expulsada

hacia las neuronas adyacentes a las cuales está conectada. Conjuntamente con esto,

las conexiones sinápticas se refuerzan. De esta manera, se establece una preferencia

de salida proporcional a la cantidad de veces que se ha activado la misma.

REPRESENTACION DE LA NEURONA

La Neurona Artificial se puede representar como un grafo que realice la sume

ponderada de las diferentes entradas que recibe de otras unidades iguales y produzca en

la salida un uno o un cero según el resultado de la suma con relación al umbral o nivel

de disparo. El grado de estímulo o inhibición de las entradas es representado por pesos o

ponderación W1,W2,......Wn.

Figura 13 : Representación de una neurona artificial en forma de Grafo

La neurona artificial actúa como un dispositivo eléctrico que responde a señales

eléctricas. La respuesta la produce el circuito activo o función de transferencia que

E N T R A D A

SALIDA BINARIA

SINAPSIS PROCESO

UMBRAL

W1 W2

Wn

.

.

.

.




forma parte del cuerpo de la neurona. Las "dendritas" llevan las señales eléctricas al

cuerpo de la misma. Estas señales provienen de censores o son salidas de neuronas

vecinas. Las señales por las dendritas pueden ser voltajes positivos o negativos; los

voltajes positivos contribuyen a la excitación del cuerpo y los voltajes negativos

contribuyen a inhibir la respuesta de la neurona.

Cuando en el sistema humano de neuronas, los ojos captan un objeto A, por

ejemplo, algunos de los censores de la visión se activan y envían señales a las neuronas

ocultas. Las neuronas que se disparan con la señal de entrada aumentan el grado de

conexión de ellas. Si el mismo objeto A se presenta una y otra vez, la interconexión de

neuronas se refuerza y, por lo tanto, el conocimiento del objeto.

Si se le presenta a la red anterior el objeto A modificado la unión de las neuronas

para el conocimiento de tal objeto, es débil. Las neuronas deben entrenarse para

reconocer el objeto A en esta nueva presentación. Luego de algunas sesiones de

entrenamiento, el sistema neuronal es capaz de reconocer el objeto A en todas sus

formas. Si el objeto cambia nuevamente la red de neuronas y el conocimiento se

actualizan.

Este entrenamiento, repetido para todos los valores de entrada y salida que se

quiera, origina una representación interna del objeto en la red, que considera todas las

irregularidades y generalidades del mismo.

En la siguiente figura se presenta el esquema de una neurona artificial durante la

etapa de aprendizaje. Una vez establecidos los pesos definitivos de interconexión, la

neurona adquiere su forma tradicional.




Figura 14: Neurona Artificial con Sistema de Aprendizaje

El siguiente cuadro muestra la equivalencia entre los elementos artificiales y los

biológicos a los fines de reproducir la trama neuronal.

ELEMENTO BIOLÓGICO

ELEMENTO ARTIFICIAL

Neurona • NODO DE LA RED = POSICIÓN DE MEMORIA RAM + ESPACIO DISPONIBLE DE DISCO RÍGIDO + PROGRAMA DE SOFTWARE NEURONAL

Entradas Sensoriales • DIGITALIZACION DE IMÁGENES • ARCHIVOS DE COMPUTADORA DE DIVERSOS

FORMATOS Salidas Sensoriales

Comportamiento • CREACIÓN DE ARCHIVO DE COMPUTADORA CON

DATOS PROCESADOS • ACTIVACIÓN DE PROGRAMA DE COMPUTADORA

PREDEFINIDO • ACTIVACIÓN DE INTERFACES ROBOTICAS

ADECUADAS Interconexión Sinaptica

• PREFERENCIAS Y PONDERACIONES DE LA TRANSFERENCIA DE VALORES ENTRE LAS DISTINTAS POSICIONES DE MEMORIA

Tabla 3 : Equivalentes artificiales de los dispositivos biológicos

TRABAJO CON REDES NEURONALES

Originalmente la red neuronal no dispone de ningún tipo de conocimiento útil

almacenado. Para que la red neuronal ejecute una tarea es preciso entrenarla, en

terminología estadística diríamos que es necesario estimar los parámetros.




Figura 15 : Modo de trabajo con redes neuronales

El procedimiento que vemos en la figura 15 es estadístico: primero se selecciona

un conjunto de datos, o patrones de aprendizaje en jerga neuronal. Después se desarrolla

la arquitectura neuronal, número de neuronas, tipo de red. Por decirlo con otras

palabras, se selecciona el modelo y el número de variables dependiente e

independientes. Se procede a la fase de aprendizaje o estimación del modelo y a

continuación se validan los resultados.

Los modelos neuronales utilizan varios algoritmos de estimación, aprendizaje o

entrenamiento para encontrar los valores de los parámetros del modelo, que en la jerga

de las redes neuronales se denominan pesos sinápticos.

El entrenamiento se realiza mediante patrones-ejemplo, siendo dos los tipos de

aprendizaje: supervisado y no supervisado.




t El aprendizaje supervisado

Se asemeja al método de enseñanza tradicional con un profesor que indica y

corrige los errores del alumno hasta que éste aprende la lección. Si la red utiliza

un tipo de aprendizaje supervisado debemos proporcionarle parejas de patrones

entrada-salida y la red neuronal aprende a asociarlos. En terminología estadística

equivale a los modelos en los que hay vectores de variables independientes y

dependientes: técnicas de regresión, análisis discriminante, análisis lógit, modelos

de series temporales, etc.

t El aprendizaje no supervisado

No hay un profesor que corrija los errores al alumno; recuerda más al

autoaprendizaje. El alumno dispone del material de estudio pero nadie lo controla.

Si el entrenamiento es no supervisado, únicamente debemos suministrar a la red

los datos de entrada para que extraiga los rasgos característicos esenciales. En

terminología estadística equivale a los modelos en los que sólo hay vectores de

variables independientes y buscan el agrupamiento de los patrones de entrada:

análisis de conglomerados o cluster, escalas multidimensionales, etc.

2.3.3 APLICACIONES DE LAS REDES NEURONALES

Si bien el primer estudio teórico sobre redes neuronales data de 1943 y fue

efectuado por Mc Culloch y Pitts, su aplicación práctica es reciente en el tiempo y se

inicia a principios de los noventa. En la actualidad, las aplicaciones prácticas de las

redes neuronales son numerosas.

Se aplican a tareas en las que un ser humano se desenvuelve bien, pero en las

que un sistema algorítmico tradicional lo hace de un modo ineficaz. No deben aplicarse

en aquellos casos en los que la solución algorítmica es eficiente, es decir, problemas de

cálculo aritmético o lógico que los ordenadores tradicionales resuelven muy bien.

Tampoco podrán aplicarse en los casos en los que no se pueda disponer de un conjunto

suficiente de patrones-ejemplo.




En general, las redes neuronales tratan de resolver de forma eficiente problemas

que pueden encuadrarse dentro de tres amplios grupos: optimización, asociación y

clasificación - regeneración de patrones y generalización. Estos tres tipos engloban un

elevado número de situaciones, lo que hace que el campo de aplicación de las redes

neuronales en la gestión empresarial sea muy amplio. Los libros de Refenes (1995) y

Deboeck y Kohonen (1998) recogen una amplia colección de trabajos aplicados en

contabilidad y finanzas.

2.3.3.1 OPTIMIZACIÓN

En los problemas de optimización se trata de determinar una solución que sea

óptima. En la gestión empresarial, son decisiones de optimización encontrar los niveles

adecuados de tesorería, de existencias, de producción, construcción de carteras óptimas,

etc.

Estos problemas normalmente implican la búsqueda del mínimo absoluto de una

función de energía:

Una vez que se define la función de energía, entonces la determinación de los

pesos sinápticos se hace rápidamente. Para algunas aplicaciones, la función de energía

es fácilmente deducible. En otras, sin embargo, esta función de energía se obtiene de

ciertos criterios de coste y limitaciones especiales. El mayor problema asociado al

problema de optimización es la alta posibilidad de converger hacia un mínimo local, en

vez de hacia el mínimo absoluto. Para combatir este problema se utilizan algunas

propuestas estadísticas, como por ejemplo procedimientos estocásticos.




Figura 16 : Función de Energía

2.3.3.2 ASOCIACION Y CLASIFICACION

En esta aplicación, los patrones de entrada estáticos o señales temporales deben

ser clasificadas o reconocidas. Idealmente, un clasificador debería ser entrenado para

que cuando se le presente una versión distorsionada ligeramente del patrón, pueda ser

reconocida correctamente sin problemas. De la misma forma, la red debería presentar

cierta inmunidad contra el ruido, esto es, debería ser capaz de recuperar una señal

"limpia" de ambientes o canales ruidosos. Esto es fundamental en las aplicaciones

holográficas, asociativas o regenerativas.

• Asociación: de especial interés son las dos clases de asociación: autoasociación

y heteroasociación. El problema de la autoasociación es recuperar un patrón

enteramente, dada una información parcial del patrón deseado. La

heteroasociación es recuperar un conjunto de patrones B, dado un patrón de ese

conjunto. Los pesos en las redes asociativas son a menudo predeterminados

basados en la regla de Hebb. Normalmente, la auto correlación del conjunto de

patrones almacenado determina los pesos en las redes auto asociativas. Por otro

lado, la correlación cruzada de muchas parejas de patrones se usa para

determinar los pesos de la red de Heteroasociación.




• Clasificación no Supervisada: para esta aplicación, los pesos sinápticos de la

red son entrenados por la , esto es, la red adapta los pesos y verifica el resultado

basándose únicamente en los patrones de entrada.

• Clasificación Supervisada: esta clasificación adopta algunas formas del criterio

de interpolación o aproximación. En muchas aplicaciones de clasificación, por

ejemplo, reconocimiento de voz, los datos de entrenamiento consisten de pares

de patrones de entrada y salida. En este caso, es conveniente adoptar las redes

Supervisadas, como las bien conocidas y estudiadas redes de retropopagación.

Este tipo de redes son apropiadas para las aplicaciones que tienen una gran

cantidad de clases con límites de separación complejos.

Este es uno de los campos más fructíferos en el desarrollo de redes neuronales y

casi todos los modelos de red neuronal han sido aplicados con mayor o menor éxito.

EJEMPLO: OCR o Reconocimiento Optico de Caracteres

Un ejemplo típico de red neuronal aplicada al reconocimiento de patrones son

los OCR o programas de reconocimiento óptico de caracteres escritos. De acuerdo con

Werbos (1998) el 50% de los sistemas de OCR se basan en redes neuronales.

En España, el Instituto de Ingeniería del Conocimiento de la Universidad

Autónoma de Madrid ha desarrollado varios productos -RAMA 32, ICARO, RAISS-,

para el reconocimiento óptico de caracteres en formularios de empresa, utilizados por

clientes como El Corte Inglés, Reebok, el Ministerio de Educación y Ciencia, Prosegur,

Centro Nacional de Recaudación de la Tesorería General de la Seguridad Social y el

Banco Bilbao Vizcaya

Completar los patrones

En muchos problemas de clasificación, una cuestión a solucionar es la recuperación de

la información, esto es, recuperar el patrón original dada sola una información parcial.




Hay dos clases de problemas: temporales y estáticos. El uso apropiado de la

información con textual es la llave para tener éxito en el reconocimiento.

2.3.3.3 GENERALIZACIÓN

Se puede extender a un problema de interpolación. El sistema es entrenado por

un gran conjunto de muestras de entrenamiento basados en un procedimiento de

aprendizaje supervisado. Una red se considera que esta entrenada con éxito si puede

aproximar los valores de los patrones de entrenamiento y puede dar interpolaciones

"suaves" para el espacio de datos no entrenado. El objetivo de la Generalización es dar

una respuesta correcta a la salida para un estímulo de entrada que no ha sido entrenado

con anterioridad. El sistema debe inducir la característica saliente del estímulo a la

entrada y detectar la regularidad. Tal habilidad para el descubrimiento de esa

regularidad es crítica en muchas aplicaciones. Esto hace que el sistema funcione

eficazmente en todo el espacio, incluso ha sido entrenado por un conjunto limitado de

ejemplos. Son problemas de generalización tratar de predecir la quiebra de las empresas

a partir de su información contable o la concesión de préstamos, la calificación de

obligaciones, la predicción en los mercados de valores, etc.

La predicción ha sido una de las aplicaciones que más pronto despertaron el

interés de los estudiosos de las redes neuronales. El análisis técnico pretende predecir

las cotizaciones a partir de la evolución histórica de precios y volúmenes de

negociación. El análisis fundamental trata de valorar los factores económicos más

importantes del entorno y contempla la evolución económico-financiera de las

empresas.

2.3.4 DIAGNOSTICO MEDICO UTILIZANDO REDES NEURONALES

Considerando un conjunto de enfermedades (patrones) E1,E2,.....,En. Para cada

patrón Ei es definido un conjunto de síntomas (características) [Si1,Si2,......Sim]. Los

síntomas pueden tener un grado de importancia diferente en cada enfermedad. El




problema de diagnóstico de enfermedades consiste en identificar a que enfermedad

corresponde un conjunto de síntomas dados.

Ejemplo :

Para la Enfermedad E1 el sintoma S1 tiene un peso de 3, S2 peso 0, S3 peso 2, S4

peso 0, S5 peso 0, S6 peso 1 y S7 peso 4 y; umbral 10.





De tal manera que la Red Neuronal de Diagnóstico de Enfermedades de este

ejemplo se puede representar de la siguiente manera:

Base de Conocimiento

E1 E2 E3

Umbral 10 10 8

S1 3 0 0

S2 0 3 2

S3 2 0 3

S4 0 2 0

S5 0 1 1

S6 1 4 0

S7 4 0 2

Tabla 4 : Ejemplo 1

SINTOMAS

ENFERMEDADES

PESOS




Base de Hecho : Ident. Paciente X, Síntomas (S1, S2, S4, S6)

Problema : Cual enfermedad tiene el paciente X

Para hallar el Diagnóstico exacto se tiene el siguiente algoritmo:

Para cada Enfermedad (columna) realice :

Inicio

SUMA ← Sume los pesos asociados a los síntomas de X;

SI (SUMA = UMBRAL)

Entonces Diagnosticar enfermedad;

Fin- SI

Fin – Para

Sintomas de X : (S1, S2, S4, S6)

E1 E2 E3

Umbral 10 10 8

S1 3 0 0

S2 0 3 2

S3 2 0 3

S4 0 2 0

S5 0 1 1

S6 1 4 0

S7 4 0 2

Suma 4 9 2

Tabla 5 : Resultados del Ejemplo 1

Diagnóstico : Ninguna Enfermedad

En muchos casos no se dan a conocer todos los síntomas del paciente, en este caso

un diagnóstico exacto puede no ser posible. La alternativa es hacer un diagnóstico

aproximado.

SINTOMAS

ENFERMEDADES

PESOS




Algoritmo de Diagnóstico Aproximado:

Para cada Enfermedad (columna) realice:

Inicio

SUMA ← Sume los pesos asociados a los síntomas de X;

SI (SUMA ≥ UMBRAL)

Entonces Diagnosticar enfermedad;

Fin- SI

Fin – Para

De tal forma que Obtendremos el siguiente resultado por columna

Diagnóstico :

Enfermedad E2 con 90% de proximidad



Documents

TECNICAS APLICADAS A SISTEMAS EXPERTOS€¦ · TECNICAS APLICADAS A SISTEMAS EXPERTOS 2.1 REPRESENTACIÓN DEL CONOCIMIENTO Representar el conocimiento en un ordenador, consiste en